CN115272899A - 一种风险预警方法、装置、飞行器及存储介质 - Google Patents
一种风险预警方法、装置、飞行器及存储介质 Download PDFInfo
- Publication number
- CN115272899A CN115272899A CN202211177720.6A CN202211177720A CN115272899A CN 115272899 A CN115272899 A CN 115272899A CN 202211177720 A CN202211177720 A CN 202211177720A CN 115272899 A CN115272899 A CN 115272899A
- Authority
- CN
- China
- Prior art keywords
- risk
- images
- aircraft
- image
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种风险预警方法、装置、飞行器及存储介质，方法包括：根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；通过改进生成对抗网络对所述多个图像的处理方法，得到更优风险判断结果。本发明的巡航路线能够让飞行器拍摄到的风险位置的所有图像的分辨率一致，避免飞行器因相对于山体斜坡的飞行高度或距离发生航高调整而导致采集到的图像分辨率大小不一且无效图像占比过大，从而能够简化图像的计算机后处理流程，提高图像处理整体效率。
Description
技术领域
本发明涉及机器人视觉领域风险检测技术，尤其涉及一种风险预警方法、装置、飞行器及存储介质。
背景技术
滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然现象。
基于此，现有技术中提供了针对滑坡风险防控这一关键问题，通过无人机协同摄影测量技术获取山体斜坡图像数据，利用大数据及计算机算法对图像数据进一步处理，从而得到地质灾害风险判断的解决方案。
但是，在对现有技术的研究和实践中，本发明的发明人发现，现有技术中无人机通常采用通用的地形巡航路线来采集山体斜坡图像数据，并不考虑也不能根据风险位置的变化大小快慢自适应调整图像采集策略，例如山体斜坡的形状大小、高度不一，若无人机继续采用通用的地形巡航路线来采集山体斜坡图像数据，会因无人机相对于山体斜坡的飞行高度或距离发生航高调整（距离山体越近，绝对设计航高越高，而对于采用同一航高采集数据时，坡下的地面距离飞机的高度要比坡上的地面距离飞机的高度要大，从而导致分辨率不一致，所以越往山体靠近，安全的航高就要提升），而导致采集到的图像分辨率大小不一且无效图像占比过大，造成图像的计算机后处理流程复杂化，严重影响了图像处理整体效率。发明人还发现，在图像背景复杂且正负样本不均衡的条件下，现有技术的图像处理的算法模型的有效性和检测精度并不理想。
发明内容
本发明提供一种风险预警方法、装置、飞行器及存储介质，以解决上述的无人机图像分辨率大小不一致、图像处理流程复杂并且图像处理整体效率降低的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种风险预警方法，风险预警方法包括：
根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；
在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；
采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
在本发明一些可选实施例中，所述根据预先标定的风险位置，确定巡航路线，包括：
根据所述风险位置确定所述飞行器的拍摄坐标；其中，每个所述风险位置对应至少一个所述拍摄坐标，每个所述拍摄坐标与对应的所述风险位置的间距相同；
基于所有所述拍摄坐标，确定巡航路线。
在本发明一些可选实施例中，所述风险位置的状态变化为一个量化值，能够指示所述风险位置中目标对象的外观变化和位移变化；所述目标对象为可识别且存在安全隐患的物品。
在本发明一些可选实施例中，所述采集所述风险位置的多个图像，包括：
在所述风险位置的状态变化大于预设变化值时，提高所述飞行器的图像采集频率，和/或降低所述飞行器的巡航速度，以采集所述风险位置的多个图像；
在所述风险位置的状态变化小于或等于预设变化值时，按照预设的巡航速度和图像采集频率，采集所述风险位置的多个图像。
在本发明一些可选实施例中，所述改进生成对抗网络包括基于通道注意力的编码器、生成器、判别器和分类器。
在本发明一些可选实施例中，所述编码器包括编码网络和压缩激活网络；其中，
所述编码网络的前P层全连接层由卷积层替代，在所述卷积层后接入批量标准化层；其中P为正整数；
所述压缩激活网络采用特征重标定策略，促使神经网络自动学习各个通道中的关键信息，并根据权重来抑制所述风险位置的图像中的背景噪声。
在本发明一些可选实施例中，所述采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果,包括：
将所述多个图像逐一输入由所述编码器、所述生成器和所述判别器构成的特征提取网络进行特征提取，得到每一图像对应的真实图像和生成图像的一维特征；
将所述一维特征做特征差处理，并输入基于监督学习的所述分类器，得到每一图像对应的风险分数；
基于所述风险分数与预设风险阈值的比较，得到风险判断结果。
第二方面，本发明实施例提供了一种风险预警装置，风险预警装置包括：
路线规划模块，用于根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；
图像采集模块，用于在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；
风险预警模块，用于采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
第三方面，本发明实施例提供了一种飞行器，飞行器包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现风险预警方法。
第四方面，本发明实施例提供了一种存储介质，当所述存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使所述信息处理装置或者所述服务器实现风险预警方法。
与现有技术相比，本发明的有益效果为：提供了一种风险预警方法，首先根据预先标定的风险位置，确定巡航路线，以使巡航路线能够让飞行器拍摄到的风险位置的所有图像的分辨率一致，从而避免飞行器因相对于山体斜坡的飞行高度或距离发生航高调整，而导致采集到的图像分辨率大小不一且无效图像占比过大，因此能够简化图像的计算机后处理流程，提高图像处理整体效率。进一步地，在所述飞行器按照所述巡航路线执行巡航任务，采集所述风险位置的多个图像时，而所述多个图像的数量由所述风险位置的状态变化确定，即本发明能够自适应对风险位置进行高效且准确的图像采集，从而保证飞行器的图像采集效率和精度。最后，本发明通过改进生成对抗网络对所述多个图像的处理方法，得到更优风险判断结果，提高了图像算法处理的效率和准确性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
图1为本发明实施例中的一种风险预警方法的流程示意图。
图2为本发明实施例中的一种风险预警装置的结构示意图。
图3为本发明实施例中的一种飞行器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例中的一种风险预警方法的流程示意图。本发明实施例提供的一种风险预警方法可以应用于飞行器，具体地，风险预警方法包括以下步骤：
S10、根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致。
其中，本发明中的飞行器是指利用无线电遥控设备和自备的程序控制装置操控的不载人飞行器，例如无人机飞行器。
在本发明一些可选实施例中，所述步骤S10根据预先标定的风险位置，确定巡航路线，包括以下子步骤：
S11、根据所述风险位置确定所述飞行器的拍摄坐标；其中，每个所述风险位置对应至少一个所述拍摄坐标，每个所述拍摄坐标与对应的所述风险位置的间距相同；
S12、基于所有所述拍摄坐标，确定巡航路线。
本发明实施例飞行器能够根据预先标定的风险位置确定其拍摄坐标，飞行器的每个拍摄坐标与对应的风险位置的间距相同。在确定好飞行器本次航巡任务的所有拍摄坐标后，即可确定完整的巡航路线。
具体地，可根据目标对象的地貌数据（例如形状、高度、横向尺寸等），预先确定飞行器与风险位置的拍摄距离，然后确定一个或多个位置的采样位置，从而确定拍摄坐标。示例性的，如果山体斜坡的高度大于预设值，则飞行器采取环绕航巡的方式对山体斜坡进行拍摄，此时，飞行器与风险位置的拍摄距离为飞行器与斜坡表面的水平距离D1，采样位置包括飞行器的飞行高度Hn和水平飞行位置Lm，假设斜坡上一次监测每个海拔相对于基准线的横向尺寸R，则对应的拍摄坐标为(Lm，Hn，D1+R)。其中，根据斜坡的总占地尺寸L确定相应的水平飞行位置Lm，例如将上一次监测斜坡的总占地尺寸L等分成多个水平采样尺度，水平飞行位置Lm等于基础飞行位置L0+n*水平采样尺度，m为正整数;根据上一次监测斜坡的总海拔H确定相应的飞行高度Hn，例如将斜坡的总海拔H等分成多个竖直采样尺度，飞行高度Hn等于基础飞行高度H0+n*竖直采样尺度，n为正整数。可以理解，在环绕航巡时，即便不同斜坡对应的总占地尺寸L、总海拔H、每个海拔对应的横向尺寸不同，飞行器与风险位置的拍摄距离D1保持不变，即飞行器的每个拍摄坐标与对应的风险位置的间距相同，如此，以确保飞行器在其巡航路线上拍摄到的所有风险位置的图像的分辨率一致，降低无效图像的占比。
如果山体斜坡的高度小于或等于预设值，则飞行器采取高空航巡的方式对山体斜坡进行拍摄，此时，飞行器与风险位置的拍摄距离为飞行器与风险位置所在地面的竖直距离H，在竖直距离H下，飞行器能够采集风险位置的全貌，此时采样位置可以固定为一个。因此，在高空航巡时，即便不同斜坡对应的总占地尺寸、总海拔不同，飞行器与风险位置所在地面的竖直距离H保持不变，即飞行器的每个拍摄坐标与对应的风险位置的间距相同，如此，以确保飞行器在其巡航路线上拍摄到的所有风险位置的图像的分辨率一致，降低无效图像的占比。
因此，本发明实施例通过风险位置确定飞行器的拍摄坐标，进而确定飞行器的巡航路线，能够让飞行器在巡航路线上拍摄到的风险位置的所有图像的分辨率一致，从而避免飞行器因相对于山体斜坡的飞行高度或距离不精确，而导致采集到图像分辨率大小不一且无效图像占比过大，因此，本发明实施例能够简化计算设备后续处理图像处理，提高图像处理效率。
S20、在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定。
其中，所述风险位置的状态变化为一个量化值，能够指示所述风险位置中目标对象的外观变化和位移变化；所述目标对象为可识别且存在安全隐患的物品。
具体地，风险位置的状态变化可以分为两种情况，一是风险位置中目标对象的外观发生变化；二是风险位置中目标对象的位移发生变化。当目标对象发生外观变化和位移变化时，可理解为目标对象存在一定的风险。
示例性的，在日常地质监测过程中，目标对象可以包括待评估的具有软弱面或者软弱带的山体斜坡，每个山体斜坡上软弱面或者软弱带所在的位置即可作为一个风险位置，若山体斜坡具有多个软弱面或者软弱带，则对应有多个风险位置。当山体斜坡上的软弱面或者软弱带上部分土体或者岩体发生滑动，导致山体斜坡的整体外观发生变化，即表示风险位置发生外观变化；当山体斜坡上的软弱面或者软弱带出现整体地顺坡向下滑动，即表示风险位置发生位移变化。
在本发明一些可选实施例中，所述步骤S20中采集所述风险位置的多个图像，包括以下子步骤：
S21、在所述风险位置的状态变化大于预设变化值时，提高所述飞行器的图像采集频率，和/或降低所述飞行器的巡航速度，以采集所述风险位置的多个图像；
S22、在所述风险位置的状态变化小于或等于预设变化值时，按照预设的巡航速度和图像采集频率，采集所述风险位置的多个图像。
本发明实施例能够自适应对风险位置进行高效且准确的图像采集。
具体地，飞行器在采集所述风险位置的多个图像时，有三种采集方式：一是当位置状态发生变化大于预设变化值时，可以理解为当前位置状态与原始状态相差较大时，例如该斜坡出现滑坡的趋势较大，飞行器提高采集图像的频率，以采集风险位置的一序列图像，从而确保采集到的图像的准确性；二是当位置状态发生变化大于预设变化值时，不仅提高飞行器采集图像的频率，而且降低飞行器的巡航速度，使得飞行器拍摄的更清晰；三是当风险位置的状态变化小于或等于预设变化值时，可以理解为当前位置状态与原始状态相差较小时，例如该山体斜坡出现滑坡的趋势较小，按照预设的巡航速度和图像采集频率，从而保证飞行器的图像采集效率。
因此，相较于现有技术，本发明实施例通过自适应对风险位置进行高效且准确的图像采集，保证了飞行器的图像采集效率和精度。
S30、采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
本发明实施例采用改进生成对抗网络对多个图像进行处理，得到风险结果，提高了图像算法处理的效率和准确性。
在本发明一些可选实施例中，所述改进生成对抗网络包括基于通道注意力的编码器、生成器、判别器和分类器。
在本发明实施例中，编码器加入了基于通道注意力的神经网络结构，能够提取风险位置图像的关键特征信息，从而降低风险位置图像中的背景噪声干扰，解决现有技术中在风险位置的图像背景复杂且正负样本不均衡的条件下，图像处理的算法模型的有效性和检测精度并不理想的问题。
生成器用于产生与真实图像分布接近的生成图像。判别器用于对输入的高维度的图像数据进行特征提取，以得到低维度的判别信息，比如分类真实图像和生成图像。分类器用于对分类器分类后的真实图像和生成图像进行处理，然后输出每一图像对应的风险分数。
在本发明一些可选实施例中，所述编码器包括编码网络和压缩激活网络。其中，所述编码网络的前P层全连接层由卷积层替代，在所述卷积层后接入批量标准化层；其中P为正整数；所述压缩激活网络采用特征重标定策略，促使神经网络自动学习各个通道中的关键信息，并根据权重来抑制所述风险位置的图像中的背景噪声。
在本发明实施例中，卷积层是局部连接，它的特点是稀疏连接和权值共享；而全连接层使用了图像的全局信息，每个神经元都与上一层的所有神经元相连接，由卷积层替代编码网络的前P层全连接层，例如第1、2层，可以让编码网络在一张更大的输入图像上滑动，得到每个区域的输出，这样就突破了此前对于图像输入尺寸的限制。对于传统的包含全连接层的编码网络结构，一个确定的编码网络其输入图像的大小是固定的，对于更大的图像在检测时就需要裁剪出很多同一分辨率的小图像分别送入CNN网络中，使得检测任务十分耗时。固定大小是指送入网络训练的每一个数据大小需要一样，可以都是227X27，也可以都是224X24，但这个尺寸值必须要统一。这样要求的原因是全连接层与前一层连接时参数数量需要预先设定好。而编码网络需要输入固定大小图像的主要原因就是有全连接层。当把全连接层替换成了卷积层后就可以不限制输入图像的大小，一次性输入网络即可获得一张图像所有位置的检测目标概率，形成一幅热图(heat map)，检测效率高。这是因为卷积操作与全连接不同，卷积核的参数数量，也就是卷积核的大小，它与前一层的特征图尺寸是没有关系的；但是全连接层的参数是随着前一层特征图的大小变化而变化的，当输入图像大小不同，全连接层输入的特征图大小也不一样，那么全连接层的参数数量就不能确定，所以采用全连接层的网络必须固定输入图像的大小，而替换为卷积层后就突破了对输入图像尺寸的限制。
批量标准化层能够解决卷积层和全连接层中的内部协变量偏移问题，避免前层网络参数的微小变化对后层参数产生较大的影响，从而使得网络难以训练。
压缩激活网络具体包括压缩层、激活层和权重分配层，所述压缩层用于对输入的多个图像进行压缩，所述激活层用于对压缩后的每个图像中不同通道的权重进行归一化，所述权重分配层用于对激活后的每个图像中不同通道特征的权重进行重新标定，以抑制图像中的背景噪声。
在本发明一些可选实施例中，所述步骤S30采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果,包括以下子步骤：
S31、将所述多个图像逐一输入由所述编码器、所述生成器和所述判别器构成的特征提取网络进行特征提取，得到每一图像对应的真实图像和生成图像的一维特征；
S32、将所述一维特征做特征差处理，并输入基于监督学习的所述分类器，得到每一图像对应的风险分数；
S33、基于所述风险分数与预设风险阈值的比较，得到风险判断结果。
在本发明实施例中，飞行器采集到的风险位置多个图像输入至由编码器、生成器和判别器构成的特征提取网络，能够有效提取风险位置图像的关键特征信息。然后将每一图像对应的真实图像和生成图像的一维特征，做特征差处理，并输入基于监督学习的分类器，基于步骤S31无监督学习的特征提取优势和步骤S32监督学习的判别优势，提高了图像模型在小样本数据集上的风险检测能力。最后，将风险分数与预设风险阈值进行比较，得到相应的风险判断结果，准确地对风险位置上的风险进行预警：若风险分数大于预设风险阈值，则判定当前的风险位置发生滑坡的几率较大，需及时采取相应的预警措施；若风险分数小于或等于预设风险阈值，则判定当前的风险位置发生滑坡的几率较小，无需采取相应的预警措施。
可以理解，预设风险阈值可以根据实际需求（例如山体斜坡的地貌数据、山体所在区域的天气数据等）而定。
示例性的，根据不同的天气情况设定不同的预设风险阈值。例如，针对降雨量较丰富的季节，预设风险阈值偏小，如此，便于及时对存在滑坡风险的山体斜坡进行预警；针对降雨量较小的季节，预设风险阈值偏大，如此，重点对存在较严重滑坡风险的山体斜坡进行预警。
与现有技术相比，本发明的有益效果为：提供了一种风险预警方法，首先根据预先标定的风险位置，确定巡航路线，以使飞行器的巡航路线能够让飞行器拍摄到的风险位置的所有图像的分辨率一致，从而避免飞行器因相对于山体斜坡的飞行高度或距离发生航高调整，而导致采集到的图像分辨率大小不一且无效图像占比过大，因此能够简化图像的计算机后处理流程，提高图像处理整体效率。进一步地，在所述飞行器按照所述巡航路线执行巡航任务，采集所述风险位置的多个图像时，而所述多个图像的数量由所述风险位置的状态变化确定，即本发明能够自适应对风险位置进行高效且准确的图像采集，从而保证飞行器的图像采集效率和精度。最后，本发明通过改进生成对抗网络对所述多个图像的处理方法，得到更优风险判断结果，提高了图像算法处理的效率和准确性。
如图2所示，图2为本发明实施例中的一种风险预警装置100的结构示意图，本发明实施例的风险预警装置100包括：
路线规划模块101，用于根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；
图像采集模块102，用于在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；
风险预警模块103，用于采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
关于风险预警装置100的具体限定可以参见上文中对于风险预警方法的限定，在此不再赘述。上述风险预警装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例的风险预警装置100中，路线规划模块101根据预先标定的风险位置，确定巡航路线，以使飞行器的巡航路线能够让飞行器拍摄到的风险位置的所有图像的分辨率一致，从而避免飞行器因相对于山体斜坡的飞行高度或距离发生航高调整，而导致采集到的图像分辨率大小不一且无效图像占比过大，因此能够简化图像的计算机后处理流程，提高图像处理整体效率。进一步地，图像采集模块102在所述飞行器按照所述巡航路线执行巡航任务，采集所述风险位置的多个图像时，而所述多个图像的数量由所述风险位置的状态变化确定，即本发明能够自适应对风险位置进行高效且准确的图像采集，从而保证飞行器的图像采集效率和精度。最后，风险预警模块103采用改进生成对抗网络对多个图像进行处理，得到更优风险结果，提高了图像算法处理的效率和准确性。
如图3所示，图3为本发明实施例中的一种飞行器200的结构示意图。本发明实施例的飞行器200包括：
处理器201；
用于存储所述处理器201可执行指令的存储器202；
其中，所述处理器201被配置为执行所述指令，以实现如上述任一实施例所述的风险预警方法。
处理器201可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器201是飞行器200的控制中心，利用各种接口和线路连接整个飞行器200的各个部分。
存储器202可用于存储计算机程序和/或模块，处理器201通过运行或执行存储在存储器202内的计算机程序和/或模块，以及调用存储在存储器202内的数据，实现飞行器200的各种功能。存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据飞行器200的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，飞行器200集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。
本发明实施例还提供了一种存储介质，当所述存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使所述信息处理装置或者所述服务器实现如上述任一实施例所述的风险预警方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种风险预警方法，其特征在于，包括：
根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；
在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；
采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
2.根据权利要求1所述的一种风险预警方法，其特征在于，所述根据预先标定的风险位置，确定巡航路线，包括：
根据所述风险位置确定所述飞行器的拍摄坐标；其中，每个所述风险位置对应至少一个所述拍摄坐标，每个所述拍摄坐标与对应的所述风险位置的间距相同；
基于所有所述拍摄坐标，确定巡航路线。
3.根据权利要求1所述的一种风险预警方法，其特征在于，所述风险位置的状态变化为一个量化值，能够指示所述风险位置中目标对象的外观变化和位移变化；所述目标对象为可识别且存在安全隐患的物品。
4.根据权利要求3所述的一种风险预警方法，其特征在于，所述采集所述风险位置的多个图像，包括：
在所述风险位置的状态变化大于预设变化值时，提高所述飞行器的图像采集频率，和/或降低所述飞行器的巡航速度，以采集所述风险位置的多个图像；
在所述风险位置的状态变化小于或等于预设变化值时，按照预设的巡航速度和图像采集频率，采集所述风险位置的多个图像。
5.根据权利要求1所述的一种风险预警方法，其特征在于，所述改进生成对抗网络包括基于通道注意力的编码器、生成器、判别器和分类器。
6.根据权利要求5所述的一种风险预警方法，其特征在于，所述编码器包括编码网络和压缩激活网络；其中，
所述编码网络的前P层全连接层由卷积层替代，在所述卷积层后接入批量标准化层；其中P为正整数；
所述压缩激活网络采用特征重标定策略，促使神经网络自动学习各个通道中的关键信息，并根据权重来抑制所述风险位置的图像中的背景噪声。
7.根据权利要求6所述的一种风险预警方法，其特征在于，所述采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果，包括：
将所述多个图像逐一输入由所述编码器、所述生成器和所述判别器构成的特征提取网络进行特征提取，得到每一图像对应的真实图像和生成图像的一维特征；
将所述一维特征做特征差处理，并输入基于监督学习的所述分类器，得到每一图像对应的风险分数；
基于所述风险分数与预设风险阈值的比较，得到风险判断结果。
8.一种风险预警装置，其特征在于，包括：
路线规划模块，用于根据预先标定的风险位置，确定巡航路线；其中，飞行器在所述巡航路线上拍摄到的所有所述风险位置的图像的分辨率一致；
图像采集模块，用于在所述飞行器按照所述巡航路线执行巡航任务时，采集所述风险位置的多个图像；其中，所述多个图像的数量由所述风险位置的状态变化确定；
风险预警模块，用于采用改进生成对抗网络对所述多个图像进行处理，得到风险判断结果。
9.一种飞行器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1-7中任一项所述的风险预警方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使所述信息处理装置或者所述服务器实现如权利要求1-7中任一项所述的风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211177720.6A CN115272899B (zh) | 2022-09-27 | 2022-09-27 | 一种风险预警方法、装置、飞行器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211177720.6A CN115272899B (zh) | 2022-09-27 | 2022-09-27 | 一种风险预警方法、装置、飞行器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115272899A true CN115272899A (zh) | 2022-11-01 |
| CN115272899B CN115272899B (zh) | 2023-04-07 |
Family
ID=83756077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211177720.6A Expired - Fee Related CN115272899B (zh) | 2022-09-27 | 2022-09-27 | 一种风险预警方法、装置、飞行器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272899B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704386A (zh) * | 2023-08-01 | 2023-09-05 | 四川开澜科技有限公司 | 一种基于ai的精准应急救援方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108351959A (zh) * | 2016-08-24 | 2018-07-31 | 谷歌有限责任公司 | 基于变化检测的图像采集任务系统 |
| CN114120077A (zh) * | 2022-01-27 | 2022-03-01 | 山东融瓴科技集团有限公司 | 一种基于无人机航拍大数据下的防控风险预警方法 |
| US20220246040A1 (en) * | 2019-08-30 | 2022-08-04 | SZ DJI Technology Co., Ltd. | Control method and device for unmanned aerial vehicle, and computer readable storage medium |
-
2022
- 2022-09-27 CN CN202211177720.6A patent/CN115272899B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108351959A (zh) * | 2016-08-24 | 2018-07-31 | 谷歌有限责任公司 | 基于变化检测的图像采集任务系统 |
| US20220246040A1 (en) * | 2019-08-30 | 2022-08-04 | SZ DJI Technology Co., Ltd. | Control method and device for unmanned aerial vehicle, and computer readable storage medium |
| CN114120077A (zh) * | 2022-01-27 | 2022-03-01 | 山东融瓴科技集团有限公司 | 一种基于无人机航拍大数据下的防控风险预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 仲林林 等: "基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测", 《电工技术学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704386A (zh) * | 2023-08-01 | 2023-09-05 | 四川开澜科技有限公司 | 一种基于ai的精准应急救援方法及装置 |
| CN116704386B (zh) * | 2023-08-01 | 2023-10-20 | 四川开澜科技有限公司 | 一种基于ai的精准应急救援方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115272899B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112882059B (zh) | 一种基于激光雷达的无人船内河障碍物感知方法 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN105158762A (zh) | 识别和跟踪对流天气单体 | |
| CN112001226B (zh) | 一种无人驾驶3d目标检测方法、装置及存储介质 | |
| CN109840553A (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN112486197B (zh) | 基于多源图像自适应选权的融合定位跟踪控制方法 | |
| CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
| CN114137567B (zh) | 一种基于卫星遥感数据的冰川高程变化监测方法 | |
| CN115272899B (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
| CN113970734A (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
| CN113343858A (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
| CN114280583B (zh) | 无gps信号下激光雷达定位精度验证方法及系统 | |
| CN116243273A (zh) | 一种光子计数激光雷达数据滤波方法及装置 | |
| CN114120150B (zh) | 一种基于无人机成像技术的道路目标检测方法 | |
| CN118311955A (zh) | 无人机控制方法、终端、无人机及存储介质 | |
| CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
| CN110263836A (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| CN109657556B (zh) | 道路及其周边地物的分类方法及系统 | |
| CN116088584A (zh) | 一种测绘协同作业方法、系统及一种电子设备 | |
| CN114821353A (zh) | 基于雷达特征匹配的作物种植区域快速提取方法及系统 | |
| CN115527187A (zh) | 一种障碍物的分类方法以及装置 | |
| CN111338336B (zh) | 一种自动驾驶方法及装置 | |
| CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
| CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
| CN114387501A (zh) | 冲洪积扇沉积遥感智能识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230407 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |